排序方式: 共有2条查询结果,搜索用时 46 毫秒
1
1.
2.
为探讨基于等距拆分和随机森林算法用于皖北小麦始花期气象预报的可行性,利用1980-2019年皖北地区7个农业气象观测站的冬小麦始花期原位观测物候数据和平行观测的气象数据,采用相关系数法,筛选影响始花期早迟的特征变量,采用有序等距离抽样法,拆分出训练集和测试集。基于随机森林算法(RF),从4月10日到4月15日,每日训练1个预报模型,实现小麦始花期逐日滚动气象预报,并与基于类神经网络(ANN)、线性支撑向量机(LSVM)、多元回归(RG)和支持向量机(SVM)4种算法训练的预报模型进行比较。结果表明,由平均气温、最高气温、日照时数3类气象要素构成的40个关键气象因子与小麦始花期早迟密切相关;训练出的6个始花期逐日气象预报模型中,4月10-14日5个模型入选特征变量均为40个,4月15日模型入选特征变量为39个;6个气象预报模型训练集与测试集的平均正确率分别为93.3%和80.4%,平均均方根误差(RMSE)分别为1.860~1.960和2.510~2.709,平均决定系数分别为0.944和0.841;基于RF算法训练的预报模型3项检验指标均优于ANN、LSVM、RG和SVM算法训练的预报模型;利用RF算法模型在2020年和2021年进行预报,提前7~9 d准确预报出当年始花期。由此可见,采用有序等距离抽样拆分出训练集,再基于RF算法构建的皖北地区小麦花期气象预报模型,能够以较高精度对小麦始花期进行预报。 相似文献
1